MARC

 008250123s2024        us                              c    eng  d
■001000017163856
■00520250211152802
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384474159
■035    ▼a(MiAaPQ)AAI31556639
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHuang,  Zhiao.
■24510▼aModeling-Based  Optimization  for  Robotic  Manipulation
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a166  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Su,  Hao;Gao,  Sicun.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aThis  dissertation  explores  the  intersection  of  modeling  and  optimization  in  robotics,  focusing  on  the  development  of  efficient  and  effective  systems  for  robotic  manipulation.  The  primary  objective  is  to  study  how  to  integrate  modeling  techniques  with  optimization  processes,  a  concept  we  term  "modeling-based  optimization."We  first  introduce  a  differentiable  physics  simulator  for  soft-body  manipulation,  demonstrating  the  power  of  environment  modeling  in  policy  learning.  By  simulating  elastoplastic  materials  such  as  plasticine,  we  benchmark  reinforcement  learning  (RL)  and  gradient-based  optimization  methods,  highlighting  the  strengths  and  limitations  of  each  approach.  The  findings  reveal  that  while  gradient-based  methods  excel  in  environments  with  well-modeled  physics,  they  struggle  with  long-term  planning  and  multi-stage  tasks.To  address  these  challenges,  we  propose  a  reparameterized  policy  gradient  method,  which  leverages  latent  variable  models  to  facilitate  exploration  and  avoid  local  minima.  This  approach  integrates  generative  models  to  enhance  policy  expressiveness  and  improve  performance  in  hard-exploration  tasks.  We  further  extend  the  concept  of  hierarchical  policy  modeling  by  introducing  graph-based  and  vision-language-driven  methods.  These  techniques  enable  robots  to  plan  and  execute  long-horizon  tasks  by  abstracting  the  search  space  and  using  human-like  instructions  to  guide  complex  manipulations.The  contributions  of  this  thesis  include  the  development  of  novel  algorithms  for  soft-body  manipulation,  hierarchical  policy  modeling,  and  the  integration  of  generative  models  with  reinforcement  learning.  These  advancements  offer  new  insights  into  the  relationship  between  learning,  modeling,  and  optimization  in  robotics. 
■590    ▼aSchool  code:  0033.
■650  4▼aComputer  science
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aGenerative  modeling
■653    ▼aOptimization
■653    ▼aRobotic  manipulation
■653    ▼aSimulation
■653    ▼aSoft  body
■690    ▼a0984
■690    ▼a0489
■690    ▼a0800
■690    ▼a0771
■71020▼aUniversity  of  California,  San  Diego▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163856▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서